뇌 영감을 받은 대규모 로봇 군집 제어: 뉴로스웜스 프레임워크

초록

‘NeuroSwarms’는 로봇 에이전트를 신경세포에 비유해, 장소세포 기반의 어트랙터 네트워크와 시상(θ) 리듬 동기화를 적용한 분산 제어 시스템이다. 저자는 이 모델을 통해 복잡하고 파편화된 환경에서 에이전트가 자가 조직화, 보상 기반 탐색, 위상 정렬 링 형성 등 생물학적 공간 코딩과 유사한 행동을 보임을 시뮬레이션으로 입증한다.

상세 분석

본 논문은 신경과학의 두 핵심 메커니즘—장소세포가 형성하는 어트랙터 맵과 θ‑리듬에 의한 위상 코딩—을 로봇 군집 제어에 직접 매핑한다. 에이전트를 ‘공간 뉴런’으로 정의하고, 서로 시야가 겹치는 관계를 시냅스 연결(V)로, 물리적 거리(D)를 가우시안 커널을 이용한 가중치 W = V·exp(−D²/σ²) 로 변환한다. 이는 전통적인 Hebbian 학습을 이동형 형태로 구현한 것으로, 에이전트 간 거리 감소가 가중치 강화, 거리 증가가 약화되는 동적 네트워크를 만든다.

보상 학습은 별도의 가중치 행렬 W_r = V_r·exp(−D_r/κ) 로 표현되며, 장거리 접근을 가능하게 하는 장기적 흡인력을 제공한다. 감각 단서는 이산적인 ‘큐’(c)와 연속적인 ‘보상’(r) 입력으로 구분되며, 각각 시간 상수 τ_c, τ_r 로 저역통합한다.

위상 동기화는 각 에이전트에 θ 변수를 부여하고, 상호 작용 입력 q_ij = cos(θ_j−θ_i) 로 모델링한다. 이 코사인 조절은 에이전트가 위상이 일치하면 상호 흥분, 위상이 반대이면 억제하도록 하여, 신경 스파이킹 네트워크의 위상 잠금 현상을 재현한다. 위상 변수는 전역 θ‑리듬(5–12 Hz)과 연동되어, ‘위상 전진(phase precession)’과 유사한 시계열 순서를 생성한다.

시뮬레이션에서는 복잡한 미로와 파편화된 구역을 포함한 대규모 환경에서 에이전트가 ‘위상 정렬 링’, ‘경로 시퀀스’, ‘보상 기반 헤어핀 탐색’ 등을 자발적으로 형성한다. 특히, 단일 에이전트 시뮬레이션을 통해 내부 장소필드와 물리적 위치를 분리함으로써, 뇌에서 관찰되는 원격 장소세포 활성화와 유사한 계획·예측 메커니즘을 검증한다.

이러한 설계는 (1) 저전력, 저사양 로봇에 적용 가능한 분산 제어 구조, (2) 신경 회로 모델과 로봇 군집 행동 사이의 양방향 피드백을 제공, (3) 복잡한 환경에서의 자가 조직화와 학습을 위한 이론적 기반을 제시한다는 점에서 학제간 연구에 큰 의미를 가진다.